预置数据
预置数据集是ModelArts平台为用户提供的开箱即用的高质量数据资源。这些数据集是行业通用数据集，符合开源协议要求，能够兼容主流的训练框架。使用预置数据集，能够保证数据集版本可追溯，确保实验可复现。您可以根据实际场景，选择合适的数据集直接在平台环境调用。
使用场景
预置数据典型使用场景如下：
- 使用预置数据集配合用户自定义数据完成智能精炼，合成下游需要数据集。
- 使用预置数据集完成大模型预训练与微调，提升模型基础能力，通过人类偏好数据优化模型响应质量。
- 结合图像、视频、音频数据构建跨模态能力，开发多模态模型。
- 作为标准测试集评估模型性能，完成模型能力基线评估。
查看预置数据
- 登录ModelArts管理控制台。
- 在左侧导航栏选择“资产管理 > 数据”，在“预置数据”页签，平台预置数据集会以卡片形式呈现。
预置数据卡片展示了数据的名称、类型、介绍、更新时间、样本数等信息。
- 单击预置数据集卡片，可查看预置数据集详情。包含基本信息和数据预览。
- 基本信息：预置数据集名称、类型、样本数、数据集大小、描述信息等信息。 图1 预置数据基本信息
- 数据预览：数据预览能够支持文本、表格类结构化数据展示部分样例，支持分页查看、查看原始数据结构，非结构化数据（图像/音频）支持缩略预览。 图2 预置数据预览
- 基本信息：预置数据集名称、类型、样本数、数据集大小、描述信息等信息。
预置数据集介绍
ModelArts平台预置文本、图片类数据集，当前预置数据相关信息参见表1，请根据具体场景选择对应数据集。
| 名称 | 数据模态 | 数据集类型 | 数据集格式 | 数据集简介 | 大小 | 样本数 | 语言 | 链接 |
|---|---|---|---|---|---|---|---|---|
| GPT-4-LLM | 文本 | 文本生成SFT | Alpaca格式 | Alpaca-CoT是一个大规模、高质量、融合了多种任务类型的指令微调数据集。 | 32.6MB | 48818 | 中文 | |
| gsm8k | 其他 | 自定义 | - | GSM8K（小学数学8K）是一个包含8500道高质量、语言多样化的小学数学应用题的数据集。该数据集旨在支持对需要多步骤推理的基础数学问题进行问答的任务。 | 1.2MB | 2 | 英文 | |
| ArcherCodeR | 其他 | 自定义 | - | 基于多个开源数据集deepcoder-preview-datasets和deepmind和code_contests和open-r1和codeforces构建的代码数据集，用于强化学习训练。 | 6.9GB | 2 | 英文 | |
| hotpot_qa | 其他 | 自定义 | - | HotpotQA是收集在英语维基百科上的问答数据集，包含大约113K众包问题，这些问题的构建需要两篇维基百科文章的介绍段落才能回答。 | 8.4MB | 2 | 英文 | |
| Geometry3K | 其他 | 自定义 | - | 一个新的大规模几何问题解决数据集，该数据集有3002个多选几何问题，图表和文本的形式语言密集注释：27213个带注释的图表逻辑形式（文字）和6293个带注释的文本逻辑形式（文字）。 | 51.1MB | 2 | 英文 | |
| code_alpaca | 文本 | 文本生成SFT | Alpaca格式 | 该数据集由codealpaca发布，包含20022个样本的代码生成任务。 | 6.7MB | 20022 | 英文 | |
| alpaca_gpt4_data | 文本 | 文本生成SFT | Alpaca格式 | 该数据集由Instruction-Tuning-with-GPT-4发布。它包含52K个由GPT-4生成的英语指令遵循样本，这些样本使用Alpaca提示词生成，用于微调大语言模型（LLMs）。 | 40.4MB | 52002 | 英文 | |
| alpaca_data | 文本 | 文本生成SFT | Alpaca格式 | 该数据集由斯坦福Alpaca发布，其中包含通过自监督技术获得的52K条英语指令执行样本。 | 20.0MB | 52002 | 英文 | |
| ai-expert-alpaca | 文本 | 文本生成SFT | Alpaca格式 | 该数据集包含高质量的问答对，用于大型语言模型的监督式微调（SFT），重点关注三大核心人工智能技术领域：大型语言模型（LLM）、检索增强生成（RAG）和智能体系统。该数据集全面覆盖了这些前沿人工智能技术，涵盖英语和中文两种语言。 | 8.2MB | 11235 | - |
